研究紹介

火山性地震には、通常の地震と似た波形を持つA型、低周波成分が卓越するB型などのタイプがあり、 その分類は火山活動の推移を評価するうえで重要な情報となります。 しかし従来の分類は人の目視判定に頼っており、主観が入りやすく多大な時間を要するという課題がありました。

本研究では、浅間山の多様な地震活動を対象に、Transformerエンコーダを用いた深層学習分類モデルを開発しました。 A型・B型・ノイズの3クラス分類でF1スコア0.930〜0.980を達成し、従来のCNN（畳み込みニューラルネットワーク）に基づく手法を上回る性能を示しました。

特徴的なのは、モデル内部のアテンション重み（注目度）を可視化することで、 「ブラックボックス」になりがちな深層学習モデルが波形のどこに注目して判断しているかを明らかにした点です。 その結果、モデルは専門家と同様に地震信号の重要な特徴に注目していることが確認できた一方、 学習データ中の曖昧なラベル付けが分類精度に影響することも分かり、データ品質の管理の重要性を示しました。 この枠組みは転移学習によって他の火山にも応用でき、火山災害評価の高度化につながると期待されます。

火山地域では火山活動に伴って活発な群発地震が発生するため、その迅速な検出と解析は火山防災に欠かせません。 しかし地震波形からP波・S波の到達時刻を読み取る「検測」作業は最終的に人の判断に委ねられており、多大な時間と労力を要するため、リアルタイムでの詳細な把握は困難でした。

本研究では、箱根火山で1999年から2020年にかけて蓄積された約22万個のP波・S波読み取りデータを用いて、 深層学習（U-Net型アーキテクチャ）に基づくフェーズピッカー（地震波自動検測モデル）を構築しました。 一般的な地殻内地震で学習された既存の公開モデルと比較したところ、箱根のデータで学習・ファインチューニングしたモデルは地震検出率が大きく向上することが分かりました。

さらに、短い時間内に複数の地震が重なって発生すると小さな地震が見逃されやすいという課題に対し、 2つの地震を含む学習データを新たに作成してモデルを再学習させることで、従来は見逃されていたイベントの検出にも成功しました。 群発地震活動をリアルタイムで詳細に把握するための基盤となる成果です。